知识产权及国家/企业知识产权竞争模型表编号领域模型/算法方向人性规律类别模型/算法配方算法/模型/函数/引擎方法名称算法/模型/函数/引擎方法的逐步思考推理过程及每一个步骤的数学方程式精度/密度/误差/密度底层规律/理论定理典型应用场景Kno-0001知识产权竞争策略竞争动力学模型资源稀缺性、零和博弈心理微分方程模型基于生态学种间竞争的改进Lotka-Volterra模型引入知识折旧与再创新流。知识产权竞争Lotka-Volterra模型 (IP-LV Model)1. 定义变量: 设A(t)和B(t)为t时刻企业A和B的有效知识产权存量如专利质量加权数。2. 内禀增长: 假设各自有独立的创新增长率r_A, r_B。3. 承载力限制: 市场总容量技术机会为K。自身存量对增长的抑制作用为 - (A/K)。4. 竞争作用: 对方知识产权存量对本方增长的抑制系数为α和β。α表示B对A的竞争强度。5. 知识折旧: 引入折旧率δ_A, δ_B。6. 建立方程:dA/dt r_A * A * (1 - A/K - α * B/K) - δ_A * AdB/dt r_B * B * (1 - B/K - β * A/K) - δ_B * B7. 平衡点分析: 令dA/dt0, dB/dt0求解平衡点(A, B)分析稳定性。平衡点预测误差受参数(r, α, β, δ, K)估计精度影响。生态学种间竞争理论、动力系统稳定性理论分析两大企业在某一技术领域的长期竞争格局共存、一方胜出、陷入僵局。Kno-0002专利分析专利地图与聚类分析认知负荷、模式识别统计与机器学习模型基于专利文本标题、摘要、权利要求的TF-IDF向量化结合PCA/t-SNE降维与DBSCAN/HDBSCAN聚类。专利技术地形图生成算法1. 数据预处理: 清洗专利文本分词去除停用词词干化。2. 向量表示: 对每件专利d计算TF-IDF特征向量v_d: v_d (w{1,d}, w{2,d}, ..., w{n,d}) 其中w{t,d} tf_{t,d} * log(N/df_t) N为总专利数df_t为包含词t的专利数。3. 降维: 使用PCA将高维向量降至2-3维: Y X * W 其中X为专利-词矩阵W为特征向量矩阵由协方差矩阵C X^T * X的特征分解得到。4. 聚类: 在低维空间Y上应用密度聚类如DBSCAN。对每个点计算ε邻域内点数定义核心点、边界点和噪声点形成簇。5. 可视化: 将低维坐标作为地图坐标簇作为“技术高地”专利密度作为“海拔”。聚类纯度、轮廓系数降维信息损失率。向量空间模型、主成分分析、密度聚类原理技术态势分析识别技术空白点、热点和竞争对手布局。Kno-0003技术预测基于专利引文网络的技术演进预测路径依赖、优先连接复杂网络与时间序列模型构建专利引文网络计算网络节点中心性指标结合生存分析预测技术方向活跃度。技术生命周期网络预测模型1. 构建动态网络: G_t (V_t, E_t) V_t是截至t年授权的专利节点E_t是引用关系有向边。2. 计算节点影响力: 计算每个专利p在t时刻的PageRank值PR_t(p) 或动态h指数。3. 技术领域表征: 将属于同一IPC分类的专利归为一个技术领域T_i。4. 计算领域活跃度指标: A_t(T_i) Σ_{p ∈ T_i, GrantedYear(p)t} PR_t(p) 或专利数量加权被引数。5. 趋势拟合与预测: 对A_t(T_i)序列使用SIR模型技术传播或巴斯扩散模型拟合dA/dt p * (M - A) q * (A/M) * (M - A) 其中M为潜在最大采纳者p为创新系数q为模仿系数。预测未来活跃度。趋势预测的均方根误差(RMSE)。复杂网络理论、创新扩散理论、生存分析预测特定技术领域的成熟度、衰退或新兴机会。Kno-0004知识扩散知识溢出空间衰减模型地理邻近性、社会网络效应空间计量经济学模型基于地理距离或技术距离构建知识溢出强度随距离衰减的函数。知识溢出重力模型1. 定义知识池: 区域i在t期的知识存量K{i,t}通常用专利存量度量。2. 构建溢出项: 区域i从其他区域j获得的知识溢出S{i,t} Σ{j≠i} (K{j,t} * f(d{ij})) 其中d{ij}是区域i和j之间的距离地理或技术。3. 距离衰减函数: f(d{ij}) 1 / (1 d{ij}^γ) 或 exp(-β * d{ij})。 γ, β为衰减参数。4. 纳入生产函数: 区域i的创新产出Y{i,t} A * (K{i,t}^α) * (S{i,t}^φ) * (L_{i,t}^λ) 其中L为研发投入A为全要素生产率α, φ, λ为弹性系数。5. 参数估计: 使用空间面板数据模型进行回归估计衰减参数γ或β及弹性φ。模型R²衰减参数的标准误。空间相互作用理论、知识生产函数评估产业集群效应、技术园区政策效果、跨国技术转移潜力。Kno-0005侵权风险评估专利权利要求相似度计算文字表达的模糊性与边界试探自然语言处理与图模型将专利权利要求解析为依存句法树或概念图计算图之间的相似度。专利权利要求图匹配算法1. 权利要求解析: 对目标专利权利要求C1和疑似侵权物/专利C2进行依存句法分析生成树T1, T2。2. 图转换: 将句法树转换为以功能/技术特征为节点的概念图G1, G2。边表示特征间的关系如“包含”、“作用于”。3. 图核函数计算相似度: 使用Weisfeiler-Lehman图核。迭代地a. 为每个节点v分配初始标签l^0(v)。b. 在第k次迭代为每个节点v计算新标签l^k(v) hash(l^{k-1}(v), SORT({l^{k-1}(u)u ∈ N(v)})) N(v)是v的邻居集合。c. 计算图G1和G2在第h次迭代的相似度K{WL}^h(G1, G2) Σ{k0 to h} Σ_{l}{v in G1l^k(v)l}Kno-0006技术演化技术轨道识别模型技术范式、颠覆性创新时间序列聚类与主题模型融合专利IPC共类分析、文本主题演化识别技术发展路径。技术轨道LDA-Dynamic主题模型1. 文档-时间切片: 将专利按申请年份分片每片作为一个“文档集”。2. 动态主题建模: 对每个时间片t应用LDA模型得到K个主题的词分布β{t,k}。同时假设主题分布随时间演化β{t,k}β{t-1,k} ~ N(β{t-1,k}, σ²I)。3. 主题关联: 计算相邻时间片主题间的相似度如JS散度或余弦相似度将相似度高的主题连接形成主题链即“技术轨道”。4. 轨道可视化: 以时间为横轴主题强度专利占比为纵轴绘制轨道流图。主题连贯性、轨道平滑度。潜在狄利克雷分布(LDA)、技术范式理论Kno-0007创新博弈专利竞赛模型先动优势、赢家通吃博弈论与随机过程将企业研发投入视为到达“创新”这一随机事件的泊松过程强度。专利竞赛泊松博弈模型1. 模型设定: 两家企业竞争一项价值为V的专利。企业i以强度x_i进行研发成本为c_i(x_i)通常假设c_i(x_i)0.5 * γ_i * x_i²。2. 随机过程: 企业i完成创新的时间T_i服从参数为x_i的指数分布P(T_i ≤ t) 1 - exp(-x_i * t)。3. 收益函数: 先完成创新的企业获得专利价值V另一方为0。若同时完成共享各得V/2。企业i的期望收益为U_i(x_i, x_j) [x_i/(x_ix_j)] * V [0.5 * x_i * x_j / (x_ix_j)²] * V - c_i(x_i)。分母考虑同时性概率4. 求解纳什均衡: 对每个企业求一阶条件∂U_i/∂x_i 0联立方程求解(x_i, x_j)。5. 分析: 比较均衡研发投入分析成本系数γ、专利价值V的影响。均衡解的存在性与唯一性条件。泊松过程、非合作博弈纳什均衡分析企业在“高价值、 winner-take-all”领域如药品化合物、基础算法的研发策略。Kno-0008反事实分析专利政策效果评估的DID模型因果关系推断、控制变量计量经济学模型双重差分法评估某项专利法修订或政策实施对创新产出的影响。专利政策双重差分评估模型1. 分组: 将受政策影响的个体如国家、行业、企业作为处理组(D1)未受影响的作为控制组(D0)。2. 分期: 政策实施前为时期T0实施后为T1。3. 构建模型: Y{it} β_0 β_1 * D_i β_2 * T_t β_3 * (D_i * T_t) γ * X{it} ε{it}。 其中Y{it}为创新产出如专利数量/质量X为控制变量。4. 估计处理效应: 系数β_3即为核心的政策处理效应β_3 (Y̅{处理组,后} - Y̅{处理组,前}) - (Y̅{控制组,后} - Y̅{控制组,前})。5. 平行趋势检验: 政策前多期数据检验处理组与控制组的产出趋势是否平行满足DID前提假设。系数β_3的显著性(p值)和置信区间。因果推断理论、双重差分法原理评估“提高专利审查质量”、“加强侵权惩罚”等政策对企业创新行为的真实影响。Kno-0009联盟与网络专利联盟形成的合作博弈模型集体理性、联盟稳定性合作博弈论模型用特征函数描述联盟价值用核心、沙普利值等解概念分析成员收益分配。专利联盟核心与沙普利值分配模型1. 定义参与人集合N: N个拥有互补性专利的企业。2. 定义特征函数v(S): 对任意联盟S ⊆ N v(S)表示该联盟能通过其专利组合产生的总收益如许可费、降低的交易成本。满足超可加性v(S∪T) ≥ v(S) v(T) 对任意不相交联盟S, T。3. 寻找核心(Core): 核心是满足以下条件的收益分配向量{x_i}的集合a. 集体理性: Σ{i in N} x_i v(N)。b. 联盟理性: 对任意联盟S, Σ{i in S} x_i ≥ v(S)。4. 计算沙普利值(Shapley Value): 对参与人i其沙普利值φ_i(v) Σ_{S ⊆ N{i}} [S! * (n -SKno-0010诉讼预测专利诉讼风险逻辑回归模型理性诉讼、成本-收益权衡统计分类模型基于专利特征、专利权人特征、技术领域特征构建诉讼概率预测模型。专利诉讼逻辑回归预测模型1. 变量选择:- 因变量: Y (是否被诉 1/0)。- 自变量: X (专利前向引用数、权利要求数、IPC分类数、专利族规模、专利权人实力、技术领域诉讼热度等)。2. 逻辑函数: 假设诉讼概率p P(Y1X)服从逻辑分布p 1 / (1 exp(-z)) 其中z β_0 β_1X_1 ... β_nX_n。3. 参数估计: 采用极大似然估计法(MLE)求解参数β。似然函数L(β) Π{i:Y_i1} p_i * Π{i:Y_i0} (1-p_i)。最大化log L(β)。4. 预测与解释: 对新专利计算其z值进而得到p。通过优势比OR_j exp(β_j)解释第j个变量的影响。ROC曲线下面积(AUC)、混淆矩阵精确率、召回率。广义线性模型、极大似然估计Kno-0011技术生命周期专利数量S曲线拟合模型技术采纳的扩散规律生长曲线模型使用逻辑斯蒂函数或贡佩兹曲线拟合累积专利数量随时间的变化。技术生命周期逻辑斯蒂拟合模型1. 数据准备: 收集特定技术领域历年专利申请量或授权量计算累积量N(t)。2. 模型选择: 逻辑斯蒂模型N(t) L / (1 exp(-k(t - t0)))。其中L为饱和上限最大累积量k为增长率t0为拐点对应时间增长率最大点。3. 参数估计: 使用非线性最小二乘法拟合min Σ_t [N_obs(t) - L/(1exp(-k(t-t0)))]²。4. 阶段划分:- 导入期: t t0, N增长缓慢。- 成长期: t ≈ t0, N加速增长。- 成熟期: t t0, N趋近L增长放缓。- 衰退期: 新增专利接近0需结合后续模型判断。5. 预测: 根据拟合曲线外推未来趋势。拟合优度R²参数估计的标准误。逻辑斯蒂增长理论、创新扩散理论判断某项技术处于生命周期的哪个阶段辅助研发投资决策。Kno-0012开源策略开源 vs. 闭源决策博弈网络效应、平台竞争动态博弈模型考虑用户基数、互补品开发、厂商利润最大化的两阶段博弈。开源策略两阶段动态博弈1. 参与人: 一个主导厂商如微软。2. 行动: 第一阶段决定其核心技术是否开源(S)。第二阶段设定产品价格P。3. 需求函数: 用户需求Q a - bP γ * D 其中D为互补品数量应用、插件。互补品开发受用户基数Q和开源程度S吸引D α β * Q λ * S (λ0)。4. 利润函数: 厂商利润π P * Q - C(Q) η * S。 其中C(Q)为成本ηS为开源带来的间接收益如服务费、生态控制可能η0直接收入损失。5. 逆向归纳求解:a. 第二阶段给定S求利润最大化价格P(S)。b. 第一阶段将P(S)代入利润函数求解最大化π的S(0或1或连续程度)。6. 均衡分析: 比较S1开源和S0闭源下的利润。均衡存在的条件如参数范围。动态博弈、网络外部性理论、双边市场理论软件、操作系统、AI框架等厂商决定其开源策略。KKno-0013标准化竞争标准必要专利(SEP)声明博弈承诺价值、谈判筹码信号博弈模型企业向标准组织声明专利为SEP的行为作为向未来实施者传递信号的博弈。SEP声明信号博弈模型1. 参与人类型: 专利权人拥有专利其专利对标准的重要性有“高”(H)和“低”(L)两种私有类型概率分别为p和1-p。2. 行动: 专利权人选择向标准制定组织(SSO)声明其专利为“SEP”或“不声明”。声明有成本c如披露义务。3. 信念与收益: 实施者观察到声明行为更新对专利重要性的信念。后续许可谈判中实施者愿意支付的许可费R取决于其信念R(认为高) R(认为低)。4. 收益矩阵简化:- 对H型声明收益 R_high - c 不声明收益 R_low。- 对L型声明收益 伪装成H型获得的R_high - c - 潜在惩罚(如反垄断) 不声明收益 R_low。5. 均衡求解: 寻找分离均衡H型声明L型不声明、混同均衡都声明或都不声明或准分离均衡。需满足序列理性精炼贝叶斯均衡。均衡存在的参数条件如c的范围。信号博弈、精炼贝叶斯均衡分析企业过度声明SEP的动机以及SSO信息披露政策的有效性。Kno-0014价值评估专利价值实物期权模型不确定性下的柔性决策金融工程模型将专利视为一项看涨期权其价值源于在未来商业化时能产生的现金流但无需立即投资。专利价值Black-Scholes期权定价模型1. 变量映射:- 标的资产价格S预期商业化项目未来现金流的现值。- 行权价K将专利商业化的所需投资成本。- 到期时间T专利剩余保护期或技术窗口期。- 无风险利率r。- 标的资产波动率σ项目现金流的不确定性。2. Black-Scholes公式: 专利价值C S * N(d1) - K * e^{-rT} * N(d2)。其中: d1 [ln(S/K) (r σ²/2)T] / (σ√T), d2 d1 - σ√T。 N(.)为标准正态分布累积函数。3. 计算步骤:a. 估计商业化项目的预期现金流并以风险折现率折现得S。b. 估计投资成本K。c. 估计现金流波动率σ可从类似上市公司股价波动率类推。d. 确定T和r。e. 代入公式计算C。价值对输入参数特别是σ和S高度敏感估计误差大。金融期权定价理论、实物期权理论为早期、高风险的技术专利如生物医药、新能源进行估值支持投融资或交易决策。Kno-0015许可定价专利许可费Stackelberg博弈领导-跟随者、价格领导博弈论模型专利权人领导者先设定许可费率潜在被许可人跟随者根据费率决定是否接受及产量。专利许可费Stackelberg博弈模型1. 市场需求: 反需求函数P a - bQ Q为市场总产量。2. 跟随者决策: 有N个同质被许可人跟随者。若接受许可其边际成本为c r 其中c为生产成本r为单位产品许可费。每个跟随者利润最大化max_{q_i} (P - c - r) * q_i。解得单个跟随者最优产量q_i(r) 总产量Q(r) N * q_i(r)。3. 领导者决策: 专利权人领导者利润为许可费收入Π_L(r) r * Q(r)。 在预期到跟随者反应函数Q(r)的情况下选择r最大化Π_L(r)。4. 求解均衡: 将Q(r)代入Π_L(r) 对r求一阶导数并令其为零∂Π_L/∂r Q(r) r * (dQ/dr) 0。 求解得到最优许可费率r。5. 代入得均衡产量Q和市场价格P。*均衡解的存在性与唯一性。Stackelberg博弈、逆推归纳法主导专利权人如高通对标准必要专利或基础专利设定许可费率。Kno-0016组合管理专利组合优化马科维茨模型风险分散、收益最大化投资组合优化模型将不同技术领域的专利视为资产在预期收益如许可收入、诉讼价值、战略价值和风险如被无效风险、技术过时风险间权衡。专利组合均值-方差优化模型1. 定义资产: 有n个专利或专利包按技术领域分 每个资产i的预期收益为E(R_i) 风险收益率方差为σ_i²。2. 组合权重: 设投资于资产i的权重为w_i Σ w_i 1。3. 组合预期收益与风险: E(R_p) Σ w_i * E(R_i) σ_p² Σ_i Σ_j w_i * w_j * σ_i * σ_j * ρ{ij} 其中ρ{ij}为资产i与j的收益率相关系数。4. 优化问题:a. 给定预期收益目标R_target 最小化组合风险: min{w} σ_p², s.t. Σ w_i * E(R_i) ≥ R_target, Σ w_i 1, w_i ≥ 0。b. 给定风险承受σ_target 最大化预期收益: max{w} E(R_p), s.t. σ_p ≤ σ_target, Σ w_i 1, w_i ≥ 0。5. 求解有效前沿: 变动R_target求解上述规划得到一系列最优组合构成有效前沿曲线。依赖于预期收益、方差、相关系数的准确估计估计误差会放大。现代投资组合理论、均值-方差分析企业或投资基金构建和管理其专利资产组合平衡短期收益与长期战略覆盖。Kno-0017互补性分析专利技术互补性网络模型模块化、系统集成网络分析与二分图模型通过专利的联合被引、共同分类或文本相似性构建技术间的互补关系网络。专利-技术二分图投影与互补性测度1. 构建二分图: 二分图G (P, T, E) 其中P是专利节点集合T是技术主题节点集合如从文本挖掘得到。边E连接专利p和技术主题t如果专利p涉及技术t。2. 投影到技术共现网络: 构建技术主题网络G_T (T, E_T) 两个技术主题t_i和t_j之间的边权重w{ij}定义为同时包含这两项技术的专利数量w{ij} {p in P: (p,t_i) in E and (p, t_j) in E}。3. 计算互补性指标:a.Jaccard系数: J(t_i, t_j) w{ij} / (deg(t_i) deg(t_j) - w{ij}) 其中deg(t)是技术t关联的专利数。衡量技术对的共现强度。b.资源分配指数(RA): RA(t_i, t_j) Σ_{p in Γ(t_i) ∩ Γ(t_j)} 1/(deg(p)) 其中Γ(t)是与技术t相连的专利集合deg(p)是专利p涉及的技术数。降低多技术专利的贡献权重。4. 识别技术模块: 对网络G_T应用社区发现算法如Louvain将高互补性的技术聚类成模块。社区发现模块度(Modularity)。Kno-0018锁定效应用户基础与转换成本模型路径依赖、转换成本动态市场模型考虑用户基数带来的网络效应和用户转换到新技术的成本分析市场锁定。用户基础-转换成本锁定模型1. 两期模型: 存在旧技术A和新技术B。A在t1期已有用户基数N_A1。2. 网络效应: 技术的效用U与其用户基数N正相关U_i(N_i) v_i θ * N_i 其中v_i为技术固有价值θ为网络效应强度。3. 转换成本: 从A转向B需付出成本s 0。4. 用户决策: 在t2期一个代表性用户选择技术i以最大化净效用max {U_A(N_A2), U_B(N_B2) - s * I(之前使用A)} 其中I为指示函数。5. 协调博弈与多重均衡: 用户决策依赖于对他人选择的预期。可能存在两个均衡a.锁定均衡: 所有人都留在A即使U_B(0) U_A(N_A1) - s 但预期无人转用B则U_B(0) U_A(N_A1)。b.转换均衡: 所有人都转向B如果预期所有人都会转则U_B(N) - s U_A(0)。6. 临界容量: 新技术B需要达到一个最小的用户基数临界容量才能成功挑战A。锁定均衡稳定的参数条件s, θ, N_A1的大小关系。网络外部性理论、协调博弈、转换成本分析操作系统、社交媒体平台等市场的竞争格局解释为何次优技术可能持续主导市场。Kno-0019颠覆性创新颠覆性创新市场侵入模型性能过度供给、低端市场切入动态竞争模型描述新技术如何从低端或新市场切入逐步侵蚀主流市场。颠覆性创新性能-市场轨迹模型1. 定义性能维度: 主流市场看重的性能维度M如速度、精度 和新市场/低端市场看重的性能维度N如便携性、价格。2. 性能轨迹: 主流技术A沿M维度的改进轨迹为M_A(t) 满足dM_A/dt a 但在N维度改进慢。颠覆性技术B初始在M维度性能低即M_B(0) M_A(0) 但B沿M维度的改进速率更快dM_B/dt b a 且在N维度有优势N_B N_A。3. 市场需求: 市场由多个细分市场组成每个细分市场对M和N有不同的性能需求阈值。随着时间推移主流技术A的性能可能超过大多数用户的需求性能过度供给。4. 侵入过程:a. t0: B在低端市场对M需求低对N敏感立足。b. t1: B沿M维度改进开始满足更高端细分市场的M需求同时其N维度优势吸引用户。c. t2: M_B(t2) 主流市场大部分用户的M需求阈值B大规模侵入主流市场取代A。5. 建模: 可用分段函数或微分方程描述性能轨迹并与动态分布的用户需求阈值进行比较。对性能改进速率b和需求阈值分布的估计精度敏感。颠覆性创新理论、技术S曲线、需求层次理论分析新兴技术如电动汽车对燃油车、云游戏对主机游戏的潜在颠覆路径。Kno-0020进入壁垒专利丛林与创新搜寻模型搜索成本、产权分散代理模型与模拟模拟企业在布满已有专利的技术空间中进行创新避免侵权的搜索过程。专利丛林创新搜索模拟模型1. 构建技术空间: 定义一个多维的、离散或连续的技术空间Ω。每个点代表一个可能的技术方案。2. 设置现有专利: 在Ω中随机或有规律地放置若干“专利球”每个专利i覆盖一个区域R_i如以其中心点、半径为r_i的球体。区域内的技术点被该专利主张权利。3. 定义企业搜索: 企业从起点S现有技术出发寻找一个能达到目标性能T且不落入任何专利区域R_i的点。搜索路径可以是随机的、梯度的沿性能提升方向。4. 搜索成本与成功: 每搜索一步尝试一个点产生成本。如果找到一个不侵权且性能达标的点则成功获得收益V。如果搜索步数超过上限或进入“死胡同”则失败。5. 模拟与度量: 运行多次模拟计算a. 平均搜索成本。b. 搜索成功率。c. 成功路径的“绕行”距离相对于无专利时的最短路径。6. 分析参数影响: 改变专利密度、专利范围(r_i)、技术空间维度观察对搜索成本和成功率的影响。模拟结果的统计显著性均值、方差。复杂适应系统、搜索理论、模拟方法评估“专利丛林”对后续创新的阻碍效应为专利政策的合理性如专利宽度、强制许可提供量化依据。编号变量/常量/参数列表及说明状态机数学特征语言/行为/行动/业务特征政策/法律法规及裁决依据时序和交互流程的所有细节/分步骤时序情况及数学方程式顺序/乱序/差序列/倒序/并行序列/分布式序列/随机序列/其他复杂度关联知识Kno-0001A(t), B(t): 企业A/B在t时刻的知识产权存量。r_A, r_B: 内禀创新增长率。K: 市场/技术总容量承载力。α, β: 竞争系数α: B对A的竞争强度。δ_A, δ_B: 知识折旧率。状态A和B的存量水平。转移由微分方程组描述的状态连续演化。平衡点(A, B)为可能的状态。集合状态空间为非负实数对(R⁺, R⁺)。逻辑稳定性分析鞍点、稳定节点等。微分核心为常微分方程组。稳定性通过雅可比矩阵特征值分析平衡点稳定性。企业行为增加研发投入提高r 诉讼或交叉许可影响α, β 放弃旧技术影响δ。业务特征市场份额竞争 技术路线竞争。《反垄断法》关于滥用市场支配地位的规定可能限制α, β的极端值如恶意诉讼阻碍竞争。1. 初始化参数和初始状态(A0, B0)。2. 在时间[t, tdt]内按微分方程计算变化量dA, dB。3. 更新状态A(tdt)A(t)dA, B(tdt)B(t)dB。4. 重复步骤2-3直至达到平衡或终止时间。顺序序列连续时间模拟时为并行演化。时间: O(模拟步数)。空间: O(1)。生态学、动力系统、产业组织理论。Kno-0002D: 专利文档集合。V: 词汇表。tf_{t,d}: 词t在文档d中的词频。df_t: 包含词t的文档数。N: 总文档数。ε, MinPts: DBSCAN的邻域半径和最小点数。状态专利向量、低维坐标、簇标签。转移从原始文本到向量到低维坐标再到簇标签的转换。集合文档集、词集、低维坐标点集、簇集。代数矩阵乘法PCA、特征值分解。几何在低维空间的点距离和密度。拓扑簇的连通性。概率TF-IDF权重。分析行为文本挖掘 降维可视化 聚类分析。业务行动技术蓝图绘制 竞争情报分析。数据来源需遵守《专利法》关于专利信息公开的规定。分析结果不构成法律意见。1. 顺序数据清洗与分词。2. 顺序计算TF-IDF矩阵X。3. 顺序对X进行PCA得到降维矩阵Y。4. 顺序/并行在Y上运行DBSCAN分配簇标签。5. 顺序生成可视化地图。主流程为顺序DBSCAN内部距离计算可并行。时间: O(DKno-0003G_t(V_t, E_t): t时刻的专利引文网络。PR_t(p): 专利p在t时刻的PageRank值。T_i: 第i个技术领域。A_t(T_i): 领域T_i在t年的活跃度。M, p, q: 巴斯扩散模型参数。状态历年动态网络G_t 历年领域活跃度序列{A_t(T_i)}。转移网络随新专利加入而增长活跃度随时间演化。图论有向图、节点中心性度量。时间序列{A_t}序列。统计曲线拟合非线性最小二乘法。微分巴斯模型为微分方程。监测行为跟踪专利引用动态。预测行动预测技术发展趋势 调整研发资源投向。引用数据基于公开的专利文献。预测不保证准确仅供参考。1. 按年顺序构建专利引文网络G_t。2. 对每个G_t 计算各专利的PageRank值。3. 按技术领域T_i聚合专利PageRank值得到A_t(T_i)。4. 对每个T_i的{A_t(T_i)}序列用巴斯模型进行拟合和预测。顺序序列时间顺序。步骤2可并行计算不同专利的PageRank。时间: O(T * (VKno-0011N(t): t时刻的累积专利数量。L: 饱和上限最大累积量。k: 增长率参数。t0: 曲线拐点增长最快时刻。N_obs(t): t时刻观察到的累积专利数。状态技术生命周期阶段导入、成长、成熟、衰退。转移沿逻辑斯蒂曲线随时间从导入期间成熟期演进。函数逻辑斯蒂函数S型曲线。极限: lim{t→-∞} N(t)0, lim{t→∞} N(t)L。连续性、可微性N(t)处处连续可导。微分dN/dt k * N * (1 - N/L)。优化非线性最小二乘拟合。分析行为数据拟合 曲线外推。决策行动判断技术成熟度 决定进入、投资或退出时机。无直接政策依据是技术管理工具。1. 顺序收集历年专利数据计算累积数N_obs(t)。2. 顺序设定初始参数估计值(L0, k0, t00)。3. 迭代使用非线性最小二乘法如Levenberg-Marquardt优化参数最小化Σ[N_obs(t) - L/(1exp(-k*(t-t0)))]²。4. 顺序根据拟合参数划分技术阶段。顺序序列。时间: 依赖于非线性优化算法的收敛速度通常O(n * iterations) n为数据点数量。空间: O(n)。生长曲线模型、技术预测、逻辑斯蒂方程。Kno-0015P: 产品市场价格。Q: 市场总产量。a, b: 需求函数参数。c: 单位生产成本不含许可费。r: 单位产品许可费决策变量。N: 被许可人跟随者数量。q_i: 跟随者i的产量。状态市场均衡 (r, Q, P*)。转移领导者宣布r - 跟随者决定q_i - 市场出清确定Q, P。代数求解线性方程组、二次函数最优化。博弈论Stackelberg均衡子博弈精炼纳什均衡。微积分一阶条件求导。商业行为专利权人设定许可条款。法律/商业行动专利许可谈判。许可费率需符合FRAND公平、合理、无歧视原则见《反垄断法》及相关指南。1.阶段1领导者决策 专利权人选择r以最大化利润Π_L(r) r * Q(r) 其中Q(r)是预期跟随者在阶段2的反应函数。2.阶段2跟随者决策 观察到r后每个跟随者i选择q_i最大化自身利润max_{q_i} (a - bΣ_j q_j - c - r) * q_i。解得对称纳什均衡q_i (a - c - r) / (b(N1)) 故Q(r) N * q_i* N(a-c-r)/(b(N1))。3.逆向求解 将Q(r)代入Π_L 求导得最优r (a-c)/2。顺序序列两阶段动态博弈。时间: O(1) 求解解析解。空间: O(1)。产业组织理论、博弈论、许可策略。Kno-0016n: 资产专利/专利包数量。w (w1, ..., wn): 投资权重向量。R (R1, ..., Rn): 各资产收益率随机向量。E(R): 预期收益率向量。Σ: 收益率协方差矩阵。ρ_{ij}: 资产i与j的相关系数。R_target: 目标收益。σ_target: 目标风险。状态投资组合权重向量w。转移通过求解优化问题从任意初始权重调整到有效前沿上的最优权重。集合权重向量属于n维单纯形Σw_i1, w_i≥0。代数向量、矩阵运算。优化二次规划带线性约束。统计均值、方差、协方差。几何在风险-收益空间的有效前沿是抛物线或双曲线的一部分。投资管理行为资产配置 风险控制。业务行动专利资产收购、剥离、维持决策。专利作为无形资产其估值和交易需遵循《企业会计准则》和相关评估准则。1. 顺序/并行估计各专利资产的预期收益E(R_i)、风险σ_i²及相关系数ρ_{ij}。2. 顺序构建协方差矩阵Σ。3. 顺序设定目标收益R_target或目标风险σ_target。4. 顺序调用二次规划求解器求解min_w (w^T Σ w) 或 max_w (w^T E(R)) 服从约束 Σw_i1, w_i≥0, 及 w^T E(R) ≥ R_target 或 √(w^T Σ w) ≤ σ_target。5. 顺序输出最优权重向量w*。步骤1可并行估计不同资产参数。步骤4为顺序优化求解。时间: 估计参数O(n² * m) m为历史数据长度。二次规划求解复杂度通常为O(n³)。空间: O(n²) 存储协方差矩阵。金融学、投资组合理论、优化理论。Kno-0020Ω: 技术空间如d维超立方体[0,1]^d。S: 搜索起点现有技术坐标。T: 目标性能阈值向量。R_i: 第i个专利的覆盖区域如球形区域。r_i: 专利i的权利要求范围半径。V: 创新成功收益。c_step: 单步搜索成本。Step_max: 最大搜索步数。状态智能体企业在Ω中的当前位置、已探索区域、剩余步数。转移根据搜索策略如随机游走、梯度上升移动到新点检查是否侵权、是否达标更新状态。集合Ω为度量空间 R_i为Ω的子集。几何点与球体的包含关系距离判断。概率随机搜索路径为随机过程。优化在约束避开R_i下寻找满足性能T的点是约束优化问题。计算模拟算法。研发行为创新设计 专利规避设计。法律行动FTO自由实施分析 专利风险排查。模拟“专利丛林”效应为论证专利制度可能阻碍创新的政策讨论如《专利法》中创造性标准、专利宽度的立法考量提供依据。1. 初始化在Ω中放置专利球{R_i} 设置起点S 目标T 步数计数器step0。2. While (step Step_max and 未找到可行点):a. 根据搜索策略生成下一个候选点x_new。b. 检查侵权计算x_new与每个专利球中心点的距离若存在距离 r_i 则侵权返回2a尝试新点或按策略调整。c. 检查性能评估f(x_new)性能函数若f(x_new) ≥ T 则成功跳出循环。d. 移动更新当前位置为x_new step。3. 输出如果成功 记录总成本c_step * step和路径否则记录失败。顺序序列搜索循环 步骤2b中对多个专利球的检查可并行。时间: O(Step_max * (N_patents / P Cost_performance_eval)) 其中P为并行核数N_patents为专利数。空间: O(N_patents * d) 存储专利球位置和半径。计算经济学、代理模型、搜索理论、专利宽度理论。
【信息科学与工程学】【管理科学】第三十篇 公司治理及公司工作内容 12 法律及知识产权
发布时间：2026/6/29 21:59:18
知识产权及国家/企业知识产权竞争模型表编号领域模型/算法方向人性规律类别模型/算法配方算法/模型/函数/引擎方法名称算法/模型/函数/引擎方法的逐步思考推理过程及每一个步骤的数学方程式精度/密度/误差/密度底层规律/理论定理典型应用场景Kno-0001知识产权竞争策略竞争动力学模型资源稀缺性、零和博弈心理微分方程模型基于生态学种间竞争的改进Lotka-Volterra模型引入知识折旧与再创新流。知识产权竞争Lotka-Volterra模型 (IP-LV Model)1. 定义变量: 设A(t)和B(t)为t时刻企业A和B的有效知识产权存量如专利质量加权数。2. 内禀增长: 假设各自有独立的创新增长率r_A, r_B。3. 承载力限制: 市场总容量技术机会为K。自身存量对增长的抑制作用为 - (A/K)。4. 竞争作用: 对方知识产权存量对本方增长的抑制系数为α和β。α表示B对A的竞争强度。5. 知识折旧: 引入折旧率δ_A, δ_B。6. 建立方程:dA/dt r_A * A * (1 - A/K - α * B/K) - δ_A * AdB/dt r_B * B * (1 - B/K - β * A/K) - δ_B * B7. 平衡点分析: 令dA/dt0, dB/dt0求解平衡点(A, B)分析稳定性。平衡点预测误差受参数(r, α, β, δ, K)估计精度影响。生态学种间竞争理论、动力系统稳定性理论分析两大企业在某一技术领域的长期竞争格局共存、一方胜出、陷入僵局。Kno-0002专利分析专利地图与聚类分析认知负荷、模式识别统计与机器学习模型基于专利文本标题、摘要、权利要求的TF-IDF向量化结合PCA/t-SNE降维与DBSCAN/HDBSCAN聚类。专利技术地形图生成算法1. 数据预处理: 清洗专利文本分词去除停用词词干化。2. 向量表示: 对每件专利d计算TF-IDF特征向量v_d: v_d (w{1,d}, w{2,d}, ..., w{n,d}) 其中w{t,d} tf_{t,d} * log(N/df_t) N为总专利数df_t为包含词t的专利数。3. 降维: 使用PCA将高维向量降至2-3维: Y X * W 其中X为专利-词矩阵W为特征向量矩阵由协方差矩阵C X^T * X的特征分解得到。4. 聚类: 在低维空间Y上应用密度聚类如DBSCAN。对每个点计算ε邻域内点数定义核心点、边界点和噪声点形成簇。5. 可视化: 将低维坐标作为地图坐标簇作为“技术高地”专利密度作为“海拔”。聚类纯度、轮廓系数降维信息损失率。向量空间模型、主成分分析、密度聚类原理技术态势分析识别技术空白点、热点和竞争对手布局。Kno-0003技术预测基于专利引文网络的技术演进预测路径依赖、优先连接复杂网络与时间序列模型构建专利引文网络计算网络节点中心性指标结合生存分析预测技术方向活跃度。技术生命周期网络预测模型1. 构建动态网络: G_t (V_t, E_t) V_t是截至t年授权的专利节点E_t是引用关系有向边。2. 计算节点影响力: 计算每个专利p在t时刻的PageRank值PR_t(p) 或动态h指数。3. 技术领域表征: 将属于同一IPC分类的专利归为一个技术领域T_i。4. 计算领域活跃度指标: A_t(T_i) Σ_{p ∈ T_i, GrantedYear(p)t} PR_t(p) 或专利数量加权被引数。5. 趋势拟合与预测: 对A_t(T_i)序列使用SIR模型技术传播或巴斯扩散模型拟合dA/dt p * (M - A) q * (A/M) * (M - A) 其中M为潜在最大采纳者p为创新系数q为模仿系数。预测未来活跃度。趋势预测的均方根误差(RMSE)。复杂网络理论、创新扩散理论、生存分析预测特定技术领域的成熟度、衰退或新兴机会。Kno-0004知识扩散知识溢出空间衰减模型地理邻近性、社会网络效应空间计量经济学模型基于地理距离或技术距离构建知识溢出强度随距离衰减的函数。知识溢出重力模型1. 定义知识池: 区域i在t期的知识存量K{i,t}通常用专利存量度量。2. 构建溢出项: 区域i从其他区域j获得的知识溢出S{i,t} Σ{j≠i} (K{j,t} * f(d{ij})) 其中d{ij}是区域i和j之间的距离地理或技术。3. 距离衰减函数: f(d{ij}) 1 / (1 d{ij}^γ) 或 exp(-β * d{ij})。 γ, β为衰减参数。4. 纳入生产函数: 区域i的创新产出Y{i,t} A * (K{i,t}^α) * (S{i,t}^φ) * (L_{i,t}^λ) 其中L为研发投入A为全要素生产率α, φ, λ为弹性系数。5. 参数估计: 使用空间面板数据模型进行回归估计衰减参数γ或β及弹性φ。模型R²衰减参数的标准误。空间相互作用理论、知识生产函数评估产业集群效应、技术园区政策效果、跨国技术转移潜力。Kno-0005侵权风险评估专利权利要求相似度计算文字表达的模糊性与边界试探自然语言处理与图模型将专利权利要求解析为依存句法树或概念图计算图之间的相似度。专利权利要求图匹配算法1. 权利要求解析: 对目标专利权利要求C1和疑似侵权物/专利C2进行依存句法分析生成树T1, T2。2. 图转换: 将句法树转换为以功能/技术特征为节点的概念图G1, G2。边表示特征间的关系如“包含”、“作用于”。3. 图核函数计算相似度: 使用Weisfeiler-Lehman图核。迭代地a. 为每个节点v分配初始标签l^0(v)。b. 在第k次迭代为每个节点v计算新标签l^k(v) hash(l^{k-1}(v), SORT({l^{k-1}(u)u ∈ N(v)})) N(v)是v的邻居集合。c. 计算图G1和G2在第h次迭代的相似度K{WL}^h(G1, G2) Σ{k0 to h} Σ_{l}{v in G1l^k(v)l}Kno-0006技术演化技术轨道识别模型技术范式、颠覆性创新时间序列聚类与主题模型融合专利IPC共类分析、文本主题演化识别技术发展路径。技术轨道LDA-Dynamic主题模型1. 文档-时间切片: 将专利按申请年份分片每片作为一个“文档集”。2. 动态主题建模: 对每个时间片t应用LDA模型得到K个主题的词分布β{t,k}。同时假设主题分布随时间演化β{t,k}β{t-1,k} ~ N(β{t-1,k}, σ²I)。3. 主题关联: 计算相邻时间片主题间的相似度如JS散度或余弦相似度将相似度高的主题连接形成主题链即“技术轨道”。4. 轨道可视化: 以时间为横轴主题强度专利占比为纵轴绘制轨道流图。主题连贯性、轨道平滑度。潜在狄利克雷分布(LDA)、技术范式理论Kno-0007创新博弈专利竞赛模型先动优势、赢家通吃博弈论与随机过程将企业研发投入视为到达“创新”这一随机事件的泊松过程强度。专利竞赛泊松博弈模型1. 模型设定: 两家企业竞争一项价值为V的专利。企业i以强度x_i进行研发成本为c_i(x_i)通常假设c_i(x_i)0.5 * γ_i * x_i²。2. 随机过程: 企业i完成创新的时间T_i服从参数为x_i的指数分布P(T_i ≤ t) 1 - exp(-x_i * t)。3. 收益函数: 先完成创新的企业获得专利价值V另一方为0。若同时完成共享各得V/2。企业i的期望收益为U_i(x_i, x_j) [x_i/(x_ix_j)] * V [0.5 * x_i * x_j / (x_ix_j)²] * V - c_i(x_i)。分母考虑同时性概率4. 求解纳什均衡: 对每个企业求一阶条件∂U_i/∂x_i 0联立方程求解(x_i, x_j)。5. 分析: 比较均衡研发投入分析成本系数γ、专利价值V的影响。均衡解的存在性与唯一性条件。泊松过程、非合作博弈纳什均衡分析企业在“高价值、 winner-take-all”领域如药品化合物、基础算法的研发策略。Kno-0008反事实分析专利政策效果评估的DID模型因果关系推断、控制变量计量经济学模型双重差分法评估某项专利法修订或政策实施对创新产出的影响。专利政策双重差分评估模型1. 分组: 将受政策影响的个体如国家、行业、企业作为处理组(D1)未受影响的作为控制组(D0)。2. 分期: 政策实施前为时期T0实施后为T1。3. 构建模型: Y{it} β_0 β_1 * D_i β_2 * T_t β_3 * (D_i * T_t) γ * X{it} ε{it}。 其中Y{it}为创新产出如专利数量/质量X为控制变量。4. 估计处理效应: 系数β_3即为核心的政策处理效应β_3 (Y̅{处理组,后} - Y̅{处理组,前}) - (Y̅{控制组,后} - Y̅{控制组,前})。5. 平行趋势检验: 政策前多期数据检验处理组与控制组的产出趋势是否平行满足DID前提假设。系数β_3的显著性(p值)和置信区间。因果推断理论、双重差分法原理评估“提高专利审查质量”、“加强侵权惩罚”等政策对企业创新行为的真实影响。Kno-0009联盟与网络专利联盟形成的合作博弈模型集体理性、联盟稳定性合作博弈论模型用特征函数描述联盟价值用核心、沙普利值等解概念分析成员收益分配。专利联盟核心与沙普利值分配模型1. 定义参与人集合N: N个拥有互补性专利的企业。2. 定义特征函数v(S): 对任意联盟S ⊆ N v(S)表示该联盟能通过其专利组合产生的总收益如许可费、降低的交易成本。满足超可加性v(S∪T) ≥ v(S) v(T) 对任意不相交联盟S, T。3. 寻找核心(Core): 核心是满足以下条件的收益分配向量{x_i}的集合a. 集体理性: Σ{i in N} x_i v(N)。b. 联盟理性: 对任意联盟S, Σ{i in S} x_i ≥ v(S)。4. 计算沙普利值(Shapley Value): 对参与人i其沙普利值φ_i(v) Σ_{S ⊆ N{i}} [S! * (n -SKno-0010诉讼预测专利诉讼风险逻辑回归模型理性诉讼、成本-收益权衡统计分类模型基于专利特征、专利权人特征、技术领域特征构建诉讼概率预测模型。专利诉讼逻辑回归预测模型1. 变量选择:- 因变量: Y (是否被诉 1/0)。- 自变量: X (专利前向引用数、权利要求数、IPC分类数、专利族规模、专利权人实力、技术领域诉讼热度等)。2. 逻辑函数: 假设诉讼概率p P(Y1X)服从逻辑分布p 1 / (1 exp(-z)) 其中z β_0 β_1X_1 ... β_nX_n。3. 参数估计: 采用极大似然估计法(MLE)求解参数β。似然函数L(β) Π{i:Y_i1} p_i * Π{i:Y_i0} (1-p_i)。最大化log L(β)。4. 预测与解释: 对新专利计算其z值进而得到p。通过优势比OR_j exp(β_j)解释第j个变量的影响。ROC曲线下面积(AUC)、混淆矩阵精确率、召回率。广义线性模型、极大似然估计Kno-0011技术生命周期专利数量S曲线拟合模型技术采纳的扩散规律生长曲线模型使用逻辑斯蒂函数或贡佩兹曲线拟合累积专利数量随时间的变化。技术生命周期逻辑斯蒂拟合模型1. 数据准备: 收集特定技术领域历年专利申请量或授权量计算累积量N(t)。2. 模型选择: 逻辑斯蒂模型N(t) L / (1 exp(-k(t - t0)))。其中L为饱和上限最大累积量k为增长率t0为拐点对应时间增长率最大点。3. 参数估计: 使用非线性最小二乘法拟合min Σ_t [N_obs(t) - L/(1exp(-k(t-t0)))]²。4. 阶段划分:- 导入期: t t0, N增长缓慢。- 成长期: t ≈ t0, N加速增长。- 成熟期: t t0, N趋近L增长放缓。- 衰退期: 新增专利接近0需结合后续模型判断。5. 预测: 根据拟合曲线外推未来趋势。拟合优度R²参数估计的标准误。逻辑斯蒂增长理论、创新扩散理论判断某项技术处于生命周期的哪个阶段辅助研发投资决策。Kno-0012开源策略开源 vs. 闭源决策博弈网络效应、平台竞争动态博弈模型考虑用户基数、互补品开发、厂商利润最大化的两阶段博弈。开源策略两阶段动态博弈1. 参与人: 一个主导厂商如微软。2. 行动: 第一阶段决定其核心技术是否开源(S)。第二阶段设定产品价格P。3. 需求函数: 用户需求Q a - bP γ * D 其中D为互补品数量应用、插件。互补品开发受用户基数Q和开源程度S吸引D α β * Q λ * S (λ0)。4. 利润函数: 厂商利润π P * Q - C(Q) η * S。 其中C(Q)为成本ηS为开源带来的间接收益如服务费、生态控制可能η0直接收入损失。5. 逆向归纳求解:a. 第二阶段给定S求利润最大化价格P(S)。b. 第一阶段将P(S)代入利润函数求解最大化π的S(0或1或连续程度)。6. 均衡分析: 比较S1开源和S0闭源下的利润。均衡存在的条件如参数范围。动态博弈、网络外部性理论、双边市场理论软件、操作系统、AI框架等厂商决定其开源策略。KKno-0013标准化竞争标准必要专利(SEP)声明博弈承诺价值、谈判筹码信号博弈模型企业向标准组织声明专利为SEP的行为作为向未来实施者传递信号的博弈。SEP声明信号博弈模型1. 参与人类型: 专利权人拥有专利其专利对标准的重要性有“高”(H)和“低”(L)两种私有类型概率分别为p和1-p。2. 行动: 专利权人选择向标准制定组织(SSO)声明其专利为“SEP”或“不声明”。声明有成本c如披露义务。3. 信念与收益: 实施者观察到声明行为更新对专利重要性的信念。后续许可谈判中实施者愿意支付的许可费R取决于其信念R(认为高) R(认为低)。4. 收益矩阵简化:- 对H型声明收益 R_high - c 不声明收益 R_low。- 对L型声明收益 伪装成H型获得的R_high - c - 潜在惩罚(如反垄断) 不声明收益 R_low。5. 均衡求解: 寻找分离均衡H型声明L型不声明、混同均衡都声明或都不声明或准分离均衡。需满足序列理性精炼贝叶斯均衡。均衡存在的参数条件如c的范围。信号博弈、精炼贝叶斯均衡分析企业过度声明SEP的动机以及SSO信息披露政策的有效性。Kno-0014价值评估专利价值实物期权模型不确定性下的柔性决策金融工程模型将专利视为一项看涨期权其价值源于在未来商业化时能产生的现金流但无需立即投资。专利价值Black-Scholes期权定价模型1. 变量映射:- 标的资产价格S预期商业化项目未来现金流的现值。- 行权价K将专利商业化的所需投资成本。- 到期时间T专利剩余保护期或技术窗口期。- 无风险利率r。- 标的资产波动率σ项目现金流的不确定性。2. Black-Scholes公式: 专利价值C S * N(d1) - K * e^{-rT} * N(d2)。其中: d1 [ln(S/K) (r σ²/2)T] / (σ√T), d2 d1 - σ√T。 N(.)为标准正态分布累积函数。3. 计算步骤:a. 估计商业化项目的预期现金流并以风险折现率折现得S。b. 估计投资成本K。c. 估计现金流波动率σ可从类似上市公司股价波动率类推。d. 确定T和r。e. 代入公式计算C。价值对输入参数特别是σ和S高度敏感估计误差大。金融期权定价理论、实物期权理论为早期、高风险的技术专利如生物医药、新能源进行估值支持投融资或交易决策。Kno-0015许可定价专利许可费Stackelberg博弈领导-跟随者、价格领导博弈论模型专利权人领导者先设定许可费率潜在被许可人跟随者根据费率决定是否接受及产量。专利许可费Stackelberg博弈模型1. 市场需求: 反需求函数P a - bQ Q为市场总产量。2. 跟随者决策: 有N个同质被许可人跟随者。若接受许可其边际成本为c r 其中c为生产成本r为单位产品许可费。每个跟随者利润最大化max_{q_i} (P - c - r) * q_i。解得单个跟随者最优产量q_i(r) 总产量Q(r) N * q_i(r)。3. 领导者决策: 专利权人领导者利润为许可费收入Π_L(r) r * Q(r)。 在预期到跟随者反应函数Q(r)的情况下选择r最大化Π_L(r)。4. 求解均衡: 将Q(r)代入Π_L(r) 对r求一阶导数并令其为零∂Π_L/∂r Q(r) r * (dQ/dr) 0。 求解得到最优许可费率r。5. 代入得均衡产量Q和市场价格P。*均衡解的存在性与唯一性。Stackelberg博弈、逆推归纳法主导专利权人如高通对标准必要专利或基础专利设定许可费率。Kno-0016组合管理专利组合优化马科维茨模型风险分散、收益最大化投资组合优化模型将不同技术领域的专利视为资产在预期收益如许可收入、诉讼价值、战略价值和风险如被无效风险、技术过时风险间权衡。专利组合均值-方差优化模型1. 定义资产: 有n个专利或专利包按技术领域分 每个资产i的预期收益为E(R_i) 风险收益率方差为σ_i²。2. 组合权重: 设投资于资产i的权重为w_i Σ w_i 1。3. 组合预期收益与风险: E(R_p) Σ w_i * E(R_i) σ_p² Σ_i Σ_j w_i * w_j * σ_i * σ_j * ρ{ij} 其中ρ{ij}为资产i与j的收益率相关系数。4. 优化问题:a. 给定预期收益目标R_target 最小化组合风险: min{w} σ_p², s.t. Σ w_i * E(R_i) ≥ R_target, Σ w_i 1, w_i ≥ 0。b. 给定风险承受σ_target 最大化预期收益: max{w} E(R_p), s.t. σ_p ≤ σ_target, Σ w_i 1, w_i ≥ 0。5. 求解有效前沿: 变动R_target求解上述规划得到一系列最优组合构成有效前沿曲线。依赖于预期收益、方差、相关系数的准确估计估计误差会放大。现代投资组合理论、均值-方差分析企业或投资基金构建和管理其专利资产组合平衡短期收益与长期战略覆盖。Kno-0017互补性分析专利技术互补性网络模型模块化、系统集成网络分析与二分图模型通过专利的联合被引、共同分类或文本相似性构建技术间的互补关系网络。专利-技术二分图投影与互补性测度1. 构建二分图: 二分图G (P, T, E) 其中P是专利节点集合T是技术主题节点集合如从文本挖掘得到。边E连接专利p和技术主题t如果专利p涉及技术t。2. 投影到技术共现网络: 构建技术主题网络G_T (T, E_T) 两个技术主题t_i和t_j之间的边权重w{ij}定义为同时包含这两项技术的专利数量w{ij} {p in P: (p,t_i) in E and (p, t_j) in E}。3. 计算互补性指标:a.Jaccard系数: J(t_i, t_j) w{ij} / (deg(t_i) deg(t_j) - w{ij}) 其中deg(t)是技术t关联的专利数。衡量技术对的共现强度。b.资源分配指数(RA): RA(t_i, t_j) Σ_{p in Γ(t_i) ∩ Γ(t_j)} 1/(deg(p)) 其中Γ(t)是与技术t相连的专利集合deg(p)是专利p涉及的技术数。降低多技术专利的贡献权重。4. 识别技术模块: 对网络G_T应用社区发现算法如Louvain将高互补性的技术聚类成模块。社区发现模块度(Modularity)。Kno-0018锁定效应用户基础与转换成本模型路径依赖、转换成本动态市场模型考虑用户基数带来的网络效应和用户转换到新技术的成本分析市场锁定。用户基础-转换成本锁定模型1. 两期模型: 存在旧技术A和新技术B。A在t1期已有用户基数N_A1。2. 网络效应: 技术的效用U与其用户基数N正相关U_i(N_i) v_i θ * N_i 其中v_i为技术固有价值θ为网络效应强度。3. 转换成本: 从A转向B需付出成本s 0。4. 用户决策: 在t2期一个代表性用户选择技术i以最大化净效用max {U_A(N_A2), U_B(N_B2) - s * I(之前使用A)} 其中I为指示函数。5. 协调博弈与多重均衡: 用户决策依赖于对他人选择的预期。可能存在两个均衡a.锁定均衡: 所有人都留在A即使U_B(0) U_A(N_A1) - s 但预期无人转用B则U_B(0) U_A(N_A1)。b.转换均衡: 所有人都转向B如果预期所有人都会转则U_B(N) - s U_A(0)。6. 临界容量: 新技术B需要达到一个最小的用户基数临界容量才能成功挑战A。锁定均衡稳定的参数条件s, θ, N_A1的大小关系。网络外部性理论、协调博弈、转换成本分析操作系统、社交媒体平台等市场的竞争格局解释为何次优技术可能持续主导市场。Kno-0019颠覆性创新颠覆性创新市场侵入模型性能过度供给、低端市场切入动态竞争模型描述新技术如何从低端或新市场切入逐步侵蚀主流市场。颠覆性创新性能-市场轨迹模型1. 定义性能维度: 主流市场看重的性能维度M如速度、精度 和新市场/低端市场看重的性能维度N如便携性、价格。2. 性能轨迹: 主流技术A沿M维度的改进轨迹为M_A(t) 满足dM_A/dt a 但在N维度改进慢。颠覆性技术B初始在M维度性能低即M_B(0) M_A(0) 但B沿M维度的改进速率更快dM_B/dt b a 且在N维度有优势N_B N_A。3. 市场需求: 市场由多个细分市场组成每个细分市场对M和N有不同的性能需求阈值。随着时间推移主流技术A的性能可能超过大多数用户的需求性能过度供给。4. 侵入过程:a. t0: B在低端市场对M需求低对N敏感立足。b. t1: B沿M维度改进开始满足更高端细分市场的M需求同时其N维度优势吸引用户。c. t2: M_B(t2) 主流市场大部分用户的M需求阈值B大规模侵入主流市场取代A。5. 建模: 可用分段函数或微分方程描述性能轨迹并与动态分布的用户需求阈值进行比较。对性能改进速率b和需求阈值分布的估计精度敏感。颠覆性创新理论、技术S曲线、需求层次理论分析新兴技术如电动汽车对燃油车、云游戏对主机游戏的潜在颠覆路径。Kno-0020进入壁垒专利丛林与创新搜寻模型搜索成本、产权分散代理模型与模拟模拟企业在布满已有专利的技术空间中进行创新避免侵权的搜索过程。专利丛林创新搜索模拟模型1. 构建技术空间: 定义一个多维的、离散或连续的技术空间Ω。每个点代表一个可能的技术方案。2. 设置现有专利: 在Ω中随机或有规律地放置若干“专利球”每个专利i覆盖一个区域R_i如以其中心点、半径为r_i的球体。区域内的技术点被该专利主张权利。3. 定义企业搜索: 企业从起点S现有技术出发寻找一个能达到目标性能T且不落入任何专利区域R_i的点。搜索路径可以是随机的、梯度的沿性能提升方向。4. 搜索成本与成功: 每搜索一步尝试一个点产生成本。如果找到一个不侵权且性能达标的点则成功获得收益V。如果搜索步数超过上限或进入“死胡同”则失败。5. 模拟与度量: 运行多次模拟计算a. 平均搜索成本。b. 搜索成功率。c. 成功路径的“绕行”距离相对于无专利时的最短路径。6. 分析参数影响: 改变专利密度、专利范围(r_i)、技术空间维度观察对搜索成本和成功率的影响。模拟结果的统计显著性均值、方差。复杂适应系统、搜索理论、模拟方法评估“专利丛林”对后续创新的阻碍效应为专利政策的合理性如专利宽度、强制许可提供量化依据。编号变量/常量/参数列表及说明状态机数学特征语言/行为/行动/业务特征政策/法律法规及裁决依据时序和交互流程的所有细节/分步骤时序情况及数学方程式顺序/乱序/差序列/倒序/并行序列/分布式序列/随机序列/其他复杂度关联知识Kno-0001A(t), B(t): 企业A/B在t时刻的知识产权存量。r_A, r_B: 内禀创新增长率。K: 市场/技术总容量承载力。α, β: 竞争系数α: B对A的竞争强度。δ_A, δ_B: 知识折旧率。状态A和B的存量水平。转移由微分方程组描述的状态连续演化。平衡点(A, B)为可能的状态。集合状态空间为非负实数对(R⁺, R⁺)。逻辑稳定性分析鞍点、稳定节点等。微分核心为常微分方程组。稳定性通过雅可比矩阵特征值分析平衡点稳定性。企业行为增加研发投入提高r 诉讼或交叉许可影响α, β 放弃旧技术影响δ。业务特征市场份额竞争 技术路线竞争。《反垄断法》关于滥用市场支配地位的规定可能限制α, β的极端值如恶意诉讼阻碍竞争。1. 初始化参数和初始状态(A0, B0)。2. 在时间[t, tdt]内按微分方程计算变化量dA, dB。3. 更新状态A(tdt)A(t)dA, B(tdt)B(t)dB。4. 重复步骤2-3直至达到平衡或终止时间。顺序序列连续时间模拟时为并行演化。时间: O(模拟步数)。空间: O(1)。生态学、动力系统、产业组织理论。Kno-0002D: 专利文档集合。V: 词汇表。tf_{t,d}: 词t在文档d中的词频。df_t: 包含词t的文档数。N: 总文档数。ε, MinPts: DBSCAN的邻域半径和最小点数。状态专利向量、低维坐标、簇标签。转移从原始文本到向量到低维坐标再到簇标签的转换。集合文档集、词集、低维坐标点集、簇集。代数矩阵乘法PCA、特征值分解。几何在低维空间的点距离和密度。拓扑簇的连通性。概率TF-IDF权重。分析行为文本挖掘 降维可视化 聚类分析。业务行动技术蓝图绘制 竞争情报分析。数据来源需遵守《专利法》关于专利信息公开的规定。分析结果不构成法律意见。1. 顺序数据清洗与分词。2. 顺序计算TF-IDF矩阵X。3. 顺序对X进行PCA得到降维矩阵Y。4. 顺序/并行在Y上运行DBSCAN分配簇标签。5. 顺序生成可视化地图。主流程为顺序DBSCAN内部距离计算可并行。时间: O(DKno-0003G_t(V_t, E_t): t时刻的专利引文网络。PR_t(p): 专利p在t时刻的PageRank值。T_i: 第i个技术领域。A_t(T_i): 领域T_i在t年的活跃度。M, p, q: 巴斯扩散模型参数。状态历年动态网络G_t 历年领域活跃度序列{A_t(T_i)}。转移网络随新专利加入而增长活跃度随时间演化。图论有向图、节点中心性度量。时间序列{A_t}序列。统计曲线拟合非线性最小二乘法。微分巴斯模型为微分方程。监测行为跟踪专利引用动态。预测行动预测技术发展趋势 调整研发资源投向。引用数据基于公开的专利文献。预测不保证准确仅供参考。1. 按年顺序构建专利引文网络G_t。2. 对每个G_t 计算各专利的PageRank值。3. 按技术领域T_i聚合专利PageRank值得到A_t(T_i)。4. 对每个T_i的{A_t(T_i)}序列用巴斯模型进行拟合和预测。顺序序列时间顺序。步骤2可并行计算不同专利的PageRank。时间: O(T * (VKno-0011N(t): t时刻的累积专利数量。L: 饱和上限最大累积量。k: 增长率参数。t0: 曲线拐点增长最快时刻。N_obs(t): t时刻观察到的累积专利数。状态技术生命周期阶段导入、成长、成熟、衰退。转移沿逻辑斯蒂曲线随时间从导入期间成熟期演进。函数逻辑斯蒂函数S型曲线。极限: lim{t→-∞} N(t)0, lim{t→∞} N(t)L。连续性、可微性N(t)处处连续可导。微分dN/dt k * N * (1 - N/L)。优化非线性最小二乘拟合。分析行为数据拟合 曲线外推。决策行动判断技术成熟度 决定进入、投资或退出时机。无直接政策依据是技术管理工具。1. 顺序收集历年专利数据计算累积数N_obs(t)。2. 顺序设定初始参数估计值(L0, k0, t00)。3. 迭代使用非线性最小二乘法如Levenberg-Marquardt优化参数最小化Σ[N_obs(t) - L/(1exp(-k*(t-t0)))]²。4. 顺序根据拟合参数划分技术阶段。顺序序列。时间: 依赖于非线性优化算法的收敛速度通常O(n * iterations) n为数据点数量。空间: O(n)。生长曲线模型、技术预测、逻辑斯蒂方程。Kno-0015P: 产品市场价格。Q: 市场总产量。a, b: 需求函数参数。c: 单位生产成本不含许可费。r: 单位产品许可费决策变量。N: 被许可人跟随者数量。q_i: 跟随者i的产量。状态市场均衡 (r, Q, P*)。转移领导者宣布r - 跟随者决定q_i - 市场出清确定Q, P。代数求解线性方程组、二次函数最优化。博弈论Stackelberg均衡子博弈精炼纳什均衡。微积分一阶条件求导。商业行为专利权人设定许可条款。法律/商业行动专利许可谈判。许可费率需符合FRAND公平、合理、无歧视原则见《反垄断法》及相关指南。1.阶段1领导者决策 专利权人选择r以最大化利润Π_L(r) r * Q(r) 其中Q(r)是预期跟随者在阶段2的反应函数。2.阶段2跟随者决策 观察到r后每个跟随者i选择q_i最大化自身利润max_{q_i} (a - bΣ_j q_j - c - r) * q_i。解得对称纳什均衡q_i (a - c - r) / (b(N1)) 故Q(r) N * q_i* N(a-c-r)/(b(N1))。3.逆向求解 将Q(r)代入Π_L 求导得最优r (a-c)/2。顺序序列两阶段动态博弈。时间: O(1) 求解解析解。空间: O(1)。产业组织理论、博弈论、许可策略。Kno-0016n: 资产专利/专利包数量。w (w1, ..., wn): 投资权重向量。R (R1, ..., Rn): 各资产收益率随机向量。E(R): 预期收益率向量。Σ: 收益率协方差矩阵。ρ_{ij}: 资产i与j的相关系数。R_target: 目标收益。σ_target: 目标风险。状态投资组合权重向量w。转移通过求解优化问题从任意初始权重调整到有效前沿上的最优权重。集合权重向量属于n维单纯形Σw_i1, w_i≥0。代数向量、矩阵运算。优化二次规划带线性约束。统计均值、方差、协方差。几何在风险-收益空间的有效前沿是抛物线或双曲线的一部分。投资管理行为资产配置 风险控制。业务行动专利资产收购、剥离、维持决策。专利作为无形资产其估值和交易需遵循《企业会计准则》和相关评估准则。1. 顺序/并行估计各专利资产的预期收益E(R_i)、风险σ_i²及相关系数ρ_{ij}。2. 顺序构建协方差矩阵Σ。3. 顺序设定目标收益R_target或目标风险σ_target。4. 顺序调用二次规划求解器求解min_w (w^T Σ w) 或 max_w (w^T E(R)) 服从约束 Σw_i1, w_i≥0, 及 w^T E(R) ≥ R_target 或 √(w^T Σ w) ≤ σ_target。5. 顺序输出最优权重向量w*。步骤1可并行估计不同资产参数。步骤4为顺序优化求解。时间: 估计参数O(n² * m) m为历史数据长度。二次规划求解复杂度通常为O(n³)。空间: O(n²) 存储协方差矩阵。金融学、投资组合理论、优化理论。Kno-0020Ω: 技术空间如d维超立方体[0,1]^d。S: 搜索起点现有技术坐标。T: 目标性能阈值向量。R_i: 第i个专利的覆盖区域如球形区域。r_i: 专利i的权利要求范围半径。V: 创新成功收益。c_step: 单步搜索成本。Step_max: 最大搜索步数。状态智能体企业在Ω中的当前位置、已探索区域、剩余步数。转移根据搜索策略如随机游走、梯度上升移动到新点检查是否侵权、是否达标更新状态。集合Ω为度量空间 R_i为Ω的子集。几何点与球体的包含关系距离判断。概率随机搜索路径为随机过程。优化在约束避开R_i下寻找满足性能T的点是约束优化问题。计算模拟算法。研发行为创新设计 专利规避设计。法律行动FTO自由实施分析 专利风险排查。模拟“专利丛林”效应为论证专利制度可能阻碍创新的政策讨论如《专利法》中创造性标准、专利宽度的立法考量提供依据。1. 初始化在Ω中放置专利球{R_i} 设置起点S 目标T 步数计数器step0。2. While (step Step_max and 未找到可行点):a. 根据搜索策略生成下一个候选点x_new。b. 检查侵权计算x_new与每个专利球中心点的距离若存在距离 r_i 则侵权返回2a尝试新点或按策略调整。c. 检查性能评估f(x_new)性能函数若f(x_new) ≥ T 则成功跳出循环。d. 移动更新当前位置为x_new step。3. 输出如果成功 记录总成本c_step * step和路径否则记录失败。顺序序列搜索循环 步骤2b中对多个专利球的检查可并行。时间: O(Step_max * (N_patents / P Cost_performance_eval)) 其中P为并行核数N_patents为专利数。空间: O(N_patents * d) 存储专利球位置和半径。计算经济学、代理模型、搜索理论、专利宽度理论。
![华为OD机试2025C卷-字符串变换最小次数[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率](http://pic.xiahunao.cn/yaotu/华为OD机试2025C卷-字符串变换最小次数[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率)
![华为OD机试2025C卷-内存资源分配[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率](http://pic.xiahunao.cn/yaotu/华为OD机试2025C卷-内存资源分配[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率)
